企業(yè)微博粉絲的特征挖掘——以天貓騰訊微博為例

唐曉波 邱 鑫

（1.武漢大學(xué)信息資源研究中心，武漢，430072； 2.武漢大學(xué)信息管理學(xué)院，武漢，430072）

1 引言

1.1 研究背景與意義

伴隨著微博的走俏，越來越多的企業(yè)陸續(xù)在微博中開辟官方賬號(hào)。在國(guó)際上，Twitter專門開設(shè)了“品牌頻道”，企業(yè)可以在該欄目中構(gòu)建品牌頁(yè)面，向用戶發(fā)送各種促銷和活動(dòng)信息，實(shí)現(xiàn)企業(yè)的品牌推廣。國(guó)內(nèi)企業(yè)微博的發(fā)展也十分迅速。2009年10月，歐萊雅開通新浪官方微博；2010年3月，戴爾官方微博“＠戴爾中國(guó)”在新浪正式啟動(dòng)。除此之外，用友軟件集團(tuán)、凡客誠(chéng)品、長(zhǎng)安福特、中國(guó)移動(dòng)、中國(guó)電信、柒牌服飾等品牌通過自營(yíng)或外包的方式運(yùn)營(yíng)企業(yè)微博[1]。另一方面，微博用戶對(duì)企業(yè)官方微博的關(guān)注度越來越高?！?012中國(guó)微博藍(lán)皮書》指出，有八成以上的微博用戶關(guān)注了企業(yè)官方微博，平均關(guān)注7.96個(gè)。關(guān)注產(chǎn)品類別官微的微博用戶，對(duì)微博平臺(tái)上的電子商務(wù)信息更為主動(dòng)和積極，有60.74%的用戶會(huì)到電商網(wǎng)站進(jìn)一步了解和行動(dòng)；直接點(diǎn)擊微博上的產(chǎn)品信息的用戶也接近6成；56.16%的用戶會(huì)進(jìn)入到相關(guān)產(chǎn)品／品牌的官方網(wǎng)站[2]。

企業(yè)微博對(duì)目標(biāo)群體越有價(jià)值，對(duì)其掌控力也就越強(qiáng)[3]。一個(gè)包含過多垃圾信息的微博，不僅達(dá)不到吸引粉絲的作用，還有可能被既有粉絲取消關(guān)注。然而不同的群體，對(duì)信息的需求可能不同，同樣一條微博信息，對(duì)一些粉絲而言是有價(jià)值的信息，而另一些粉絲可能視其為無(wú)用的垃圾信息。通過對(duì)用戶特征進(jìn)行分析，企業(yè)可以更好地理解用戶，發(fā)現(xiàn)用戶的行為規(guī)律?；谶@些理解和規(guī)律，企業(yè)微博博主可以制定相應(yīng)的策略，進(jìn)而有效利用微博進(jìn)行產(chǎn)品推廣和培養(yǎng)用戶忠誠(chéng)度。本文以天貓騰訊微博為例，主要探討三個(gè)問題：①什么樣的用戶更傾向于關(guān)注企業(yè)微博；②不同社會(huì)信息的群體的偏好是否不同；③不同社會(huì)信息的群體傾向于關(guān)注哪些方面的微博。

1.2 研究現(xiàn)狀

國(guó)內(nèi)對(duì)企業(yè)微博的研究主要集中在企業(yè)微博營(yíng)銷、消費(fèi)特征、廣告策略、影響力、公關(guān)、內(nèi)容、應(yīng)用等方面。林錦國(guó)等研究了企業(yè)官方微博的帳號(hào)特征和行為特征，考察了用戶的響應(yīng)行為和信息傳播規(guī)律，建立了影響力擴(kuò)散回歸模型[4]；胡婷婷將傳播學(xué)和消費(fèi)社會(huì)理論相結(jié)合，對(duì)企業(yè)微博消費(fèi)特征進(jìn)行初步探究[5]；王薈博等分析并論證了微博廣告價(jià)值維度對(duì)顧客購(gòu)買意愿的影響[6]；郝曉玲等運(yùn)用主成分分析法歸納了5種企業(yè)微博的主要影響因子[7]；王麗敏等研究分析了企業(yè)微博公關(guān)的現(xiàn)狀、存在的不足，并重點(diǎn)論述了企業(yè)微博公關(guān)的發(fā)展策略[8]；張娜娜研究了企業(yè)微博用戶發(fā)布微博的行為特征以及微博內(nèi)容形式與內(nèi)容分類的特征[9]；黃曉斌等分析了微博客特點(diǎn)，探討了微博客在企業(yè)競(jìng)爭(zhēng)情報(bào)中的應(yīng)用[10]。而國(guó)外的研究主要集中在企業(yè)微博的知識(shí)共享、企業(yè)微博的價(jià)值探討、使用微博的意愿研究等方面。Müller等通過案例研究了一個(gè)經(jīng)常使用微博的組織能更快的進(jìn)行知識(shí)共享和改善網(wǎng)絡(luò)[11]；Barnes等對(duì)人們持續(xù)使用微博的意愿做了調(diào)查研究[12]；Sch?ndienst等對(duì)企業(yè)微博在企業(yè)中被采納的情況進(jìn)行了研究[13]。

在上述研究中，國(guó)內(nèi)外學(xué)者比較關(guān)注企業(yè)微博本身的營(yíng)銷、傳播、價(jià)值、影響力等方面，但對(duì)于關(guān)注企業(yè)微博的粉絲特征的研究卻很少涉及。本文對(duì)企業(yè)微博粉絲的人口分布和行為特征進(jìn)行深度挖掘，探討其中的規(guī)律，增進(jìn)對(duì)企業(yè)微博粉絲的深入了解，改進(jìn)企業(yè)微博的內(nèi)容，促進(jìn)企業(yè)信息的傳播。

1.3 研究方法

利用八爪魚軟件在2014年4月抓取和收集天貓騰訊官方微博的粉絲的信息，獲取的信息包括“按聽眾者數(shù)排名”的前400名粉絲和“按微博等級(jí)排名”的前400名粉絲的基本個(gè)人信息和標(biāo)簽信息。其中基本個(gè)人信息，即人口分布信息，包括粉絲的生日、地域、行業(yè)。標(biāo)簽信息，即行為特征，是粉絲對(duì)自己興趣或特征的標(biāo)注。

將企業(yè)微博粉絲特征分為人口分布特征和行為特征兩個(gè)方面。使用java代碼并結(jié)合Excel對(duì)獲取的信息進(jìn)行預(yù)處理，利用知網(wǎng)中的WordSimilarity合并同義詞，數(shù)據(jù)分析和可視化的工具分別是SPSS、Ucinet。

2 企業(yè)微博粉絲的人口分布特征

一方面，存在一些粉絲既在“按聽眾者數(shù)排名”的前400名粉絲中，又在“按微博等級(jí)排名”的前400名粉絲中，另一方面，一些粉絲的信息是不完整或無(wú)效的，因此需要在所得的800條粉絲信息中去除重復(fù)和無(wú)用的粉絲信息。將處理后得到的762條有用的粉絲信息，從年齡、地域、行業(yè)三個(gè)方面挖掘騰訊天貓官方微博粉絲的人口分布特征。

2.1 年齡

粉絲在天貓官方微博中填寫自己生日時(shí)超過50%的人傾向于顯示星座，對(duì)注明年份的粉絲進(jìn)行統(tǒng)計(jì)分析，分成“60后”，“70后”，“80后”，“90后”，“00后”五個(gè)年齡段，粉絲的年齡統(tǒng)計(jì)圖如圖1所示。不難看出，在年齡分布中，天貓騰訊微博的粉絲里“80后”“90后”占有非常大的比例。由中文互聯(lián)網(wǎng)數(shù)據(jù)中心[14]對(duì)各大B2C電子商務(wù)用戶解讀的數(shù)據(jù)表明，現(xiàn)在“80后”是網(wǎng)購(gòu)的主力軍，這在本文中也得到了驗(yàn)證。同時(shí)可以看出“90后”是潛在的天貓消費(fèi)主力。天貓官方微博可以將粉絲主要定位于年輕群體。針對(duì)這些“8090后”消費(fèi)者的特征進(jìn)行營(yíng)銷，提高天貓官方微博的關(guān)注度。

2.2 地域

圖1 企業(yè)微博粉絲的年齡分布圖

根據(jù)獲取的粉絲所在地信息，按照一線、二線、三線、四線城市將企業(yè)微博粉絲分類。經(jīng)統(tǒng)計(jì)分析，發(fā)現(xiàn)在天貓騰訊微博粉絲的地域分布特征（如圖2）。三線城市的粉絲最多，接近粉絲總數(shù)的1／3，其次是二線城市。在《淘寶及天貓網(wǎng)購(gòu)消費(fèi)者特征及行為分析》[15]的報(bào)告中將會(huì)員注冊(cè)lP所在城市劃分等級(jí)，發(fā)現(xiàn)天貓會(huì)員均以二、三線城市居多。綜上可知，天貓微博粉絲的地域分布與天貓注冊(cè)會(huì)員的地域分布，基本保持一致。另外，在官方微博上，四線城市的粉絲數(shù)目也是不容小覷的。因此，天貓官方微博在保持對(duì)二線、三線地區(qū)粉絲的關(guān)注的同時(shí)，可以加強(qiáng)對(duì)四線城市粉絲的營(yíng)銷力度。

圖2 企業(yè)微博粉絲的地域分布統(tǒng)計(jì)圖

2.3 行業(yè)

在獲取的762個(gè)有用粉絲信息中，行業(yè)種類包括37種：公務(wù)員類、電子通信技術(shù)、計(jì)算機(jī)·網(wǎng)絡(luò)、金融、經(jīng)營(yíng)管理、新聞出版、醫(yī)療衛(wèi)生、市場(chǎng)·公關(guān)、個(gè)體經(jīng)營(yíng)、建筑、酒店、貿(mào)易、美術(shù)·設(shè)計(jì)、美容保健、娛樂業(yè)、工業(yè)生產(chǎn)、務(wù)工人員、自由職業(yè)者、在校學(xué)生等。

通過統(tǒng)計(jì)分析，將這些行業(yè)按照粉絲從事頻次從高到低排列，并選取排名靠前的十名行業(yè)進(jìn)行分析。如圖3所示，在天貓微博粉絲中從事計(jì)算機(jī)·網(wǎng)絡(luò)的粉絲所占比例最高，其次是在校學(xué)生和自由職業(yè)者。通過綜合比較可知，天貓微博粉絲從事的行業(yè)以技術(shù)類、學(xué)生、服務(wù)類為主流。

3 用戶社會(huì)信息下的行為特征挖掘

圖3 企業(yè)微博粉絲從事行業(yè)的分布統(tǒng)計(jì)圖

粉絲的標(biāo)簽信息是粉絲對(duì)自己的興趣、特征的標(biāo)注，是一種對(duì)標(biāo)簽的選擇行為，因此本文將其定義為粉絲的行為特征。用戶的社會(huì)信息指的是用戶在現(xiàn)實(shí)的社會(huì)生活中所具有的各種相關(guān)信息特征，如性別、年齡、地域、政治面貌、職業(yè)等等。用戶社會(huì)信息相似度指不同用戶的社會(huì)信息相似的程度；用戶之間的社會(huì)信息越相似，社會(huì)信息相似度就越高[16]。結(jié)合企業(yè)微博粉絲的年齡、地域、行業(yè)等信息對(duì)粉絲分類，有利于基于粉絲基礎(chǔ)信息的精準(zhǔn)營(yíng)銷。

層次聚類[17－18]是生成一系列嵌套的聚類樹來完成聚類，它能過濾掉孤立點(diǎn)，識(shí)別大小不一的聚類，靈活控制不同層次的聚類粒度，具有較強(qiáng)的聚類能力。本文采用的是層次凝聚聚類算法計(jì)算出每個(gè)粉絲所屬的類，類間距離計(jì)算采用的是平均距離法。公式如下：

在聚類過程中，選取相似度值最大的兩個(gè)簇進(jìn)行合并，直到所有的簇間的相似度小于閥值0.2，此時(shí)將企業(yè)微博粉絲按照社會(huì)信息分成如圖4所示的T1、T2、T3三個(gè)較大群體，不同形狀表示不同的類。分別對(duì)這三個(gè)群體進(jìn)行個(gè)性化的行為特征挖掘。

根據(jù)圖4所示的三個(gè)大群體，對(duì)應(yīng)有三個(gè)大群體的標(biāo)簽信息TAG1’、TAG2’、TAG3’。分別對(duì)這不同社會(huì)信息三個(gè)大群體的標(biāo)簽信息進(jìn)行剖析，挖掘不同群體的行為特征，提取有價(jià)值的信息，為進(jìn)行個(gè)性化營(yíng)銷提供依據(jù)。圖5是對(duì)企業(yè)微博粉絲標(biāo)簽信息進(jìn)行處理的框架圖。

3.1 數(shù)據(jù)清洗

將獲取的標(biāo)簽TAG的文本數(shù)據(jù)進(jìn)行預(yù)處理，如去除噪音數(shù)據(jù)、規(guī)范化處理等，確保文本集中數(shù)據(jù)的有效性，以減少無(wú)關(guān)數(shù)據(jù)對(duì)實(shí)驗(yàn)結(jié)果造成的干擾。本文從三個(gè)方面進(jìn)行數(shù)據(jù)清洗：

（1）英語(yǔ)單詞的大小寫統(tǒng)一，統(tǒng)一為大寫；

（2）剔除形容詞、亂碼詞；

圖4 企業(yè)微博粉絲社會(huì)信息的層次聚類

圖5 企業(yè)微博粉絲標(biāo)簽信息處理過程

（3）存在一些標(biāo)簽詞詞頻不高，但對(duì)應(yīng)有多個(gè)同義詞，例如：“旅游”、“旅行”、“遠(yuǎn)足”。為避免這類詞被當(dāng)作低頻詞濾去，利用知網(wǎng)Hownet中的WordSimilarity計(jì)算詞語(yǔ)的相似度，合并同義詞。

將處理后的規(guī)范的標(biāo)簽與T1、T2、T3三個(gè)大群體進(jìn)行映射，構(gòu)成TAG1’、TAG2’、TAG3’三個(gè)基于粉絲群社會(huì)信息的標(biāo)簽集。

3.2 特征標(biāo)簽詞的提取

標(biāo)簽集TAG1’、TAG2’、TAG3’代表的是三個(gè)具有不同社會(huì)信息的群體的標(biāo)簽。為了了解不同社會(huì)信息的群體的文本屬性，分別對(duì)三個(gè)標(biāo)簽集進(jìn)行特征詞提取：

（1）計(jì)算詞頻

詞頻（TF）＝某詞在某一粉絲的標(biāo)簽集中出現(xiàn)次數(shù)

考慮到每個(gè)粉絲的標(biāo)簽集個(gè)數(shù)不同，為了便于不同標(biāo)簽集的比較，進(jìn)行“詞頻”標(biāo)準(zhǔn)化。

（2）計(jì)算逆文檔頻率

如果一個(gè)詞越常見，那么分母就越大，逆文檔頻率就越小越接近0。log表示對(duì)得到的值取對(duì)數(shù)。

（3）計(jì)算TF-lDF

TF-lDF＝詞頻（TF）×逆文檔頻率（lDF）

通過“詞頻”（TF）和“逆文檔頻率”（lDF）計(jì)算出每個(gè)標(biāo)簽詞的TF-lDF的值。某個(gè)標(biāo)簽詞在群體中的重要性越高，對(duì)應(yīng)TF-lDF值就越大。所以，排在最前面的幾個(gè)詞，就是TAGi’（i＝1，2，3）的關(guān)鍵詞。本文提取TF-lDF值大于0.5的標(biāo)簽作為群體的特征標(biāo)簽詞，分別構(gòu)成TAG11’、TAG22’、TAG33’三個(gè)標(biāo)簽集。按照特征詞的TF-lDF值從大到小排名，選取排名靠前的三個(gè)群體的部分特征標(biāo)簽詞如表1所示。

3.3 標(biāo)簽聚類

為了識(shí)別可能存在的一些相關(guān)標(biāo)簽組或標(biāo)簽群，需要對(duì)標(biāo)簽集合進(jìn)行統(tǒng)計(jì)分析。詞共現(xiàn)模型是基于統(tǒng)計(jì)方法的自然語(yǔ)言處理研究領(lǐng)域的重要模型之一[19]。若存在幾個(gè)單詞經(jīng)常在同一窗口單元中共同出現(xiàn)，則它們?cè)谝欢ǔ潭壬媳硎驹撐谋镜恼Z(yǔ)義信息。因此，將標(biāo)簽詞共現(xiàn)概念與關(guān)鍵詞集共同組成的向量來表示文本特征更能反映文本的內(nèi)容和語(yǔ)義。

表1 不同社會(huì)信息的群體特征詞

將三個(gè)群體的標(biāo)簽表示為TAGi＝｛tagi1，tagi2，……｝（i＝1，2，3），tagik指TAGi中的第k個(gè)標(biāo)簽。TAGi有l(wèi)D號(hào)為1到n的粉絲，tagik可以用n維空間向量表示，tagik＝（ui1，ui2，……，uin），如果群體里第k個(gè)粉絲標(biāo)注了tagik標(biāo)簽，就在向量的第k個(gè)位置標(biāo)注1，即uik＝1；如果未標(biāo)注tagik標(biāo)簽，就在向量的第k個(gè)位置標(biāo)注0，即uik＝0。這樣，每個(gè)標(biāo)簽都可以表示成空間向量。tagik的空間向量的維度等于群體Ti中的粉絲數(shù)。本文用余弦相似度來計(jì)算標(biāo)簽的相似度。

假設(shè)存在兩個(gè)標(biāo)簽tagia＝（ui1，ui2，ui3，……），tagib＝（ui1’，ui2’，ui3’，……），則tagia和tagib的相似度為：

計(jì)算兩個(gè)標(biāo)簽詞的余弦相似度，值越大就表示這兩個(gè)標(biāo)簽詞的相似度越高。如果存在sim（tagia，tagib）的值比較大，則標(biāo)簽tagia與標(biāo)簽tagib的相似度比較高，即（ui1，ui2，ui3，……）與（ui1’，ui2’，ui3’，……）相似度較高。而在同一個(gè)群體里，標(biāo)注這兩個(gè)標(biāo)簽的是同一個(gè)群體，所以當(dāng) （ui1，ui2，ui3，……）與 （ui1’，ui2’，ui3’，……）相似度很高時(shí)，則表明標(biāo)注標(biāo)簽tagia的粉絲群與標(biāo)注標(biāo)簽tagib的粉絲群相似度很高，因此這兩個(gè)標(biāo)簽被同一個(gè)粉絲標(biāo)注的頻次很高，即標(biāo)簽tagia與標(biāo)簽tagib的共現(xiàn)的頻次很高。

因此，本文首先用向量tagik＝（ui1，ui2，……，uin）分別表示每個(gè)群體TAG11’、TAG22’、TAG33’里的標(biāo)簽詞，利用SPSS計(jì)算在群體內(nèi)部標(biāo)簽詞兩兩之間的相似度。為了獲得標(biāo)簽之間的關(guān)系的子集，便于發(fā)現(xiàn)粉絲行為特征，利用UClNET中的Subgroup子群分析將三個(gè)群體的標(biāo)簽信息進(jìn)行聚類并可視化，節(jié)點(diǎn)表示標(biāo)簽詞，節(jié)點(diǎn)的大小表示標(biāo)簽詞的權(quán)重大小，表1中特征詞的TF-lDF值即是標(biāo)簽詞的權(quán)重，表示節(jié)點(diǎn)間的關(guān)聯(lián)，關(guān)聯(lián)度是兩標(biāo)簽之間的余弦相似度。通過對(duì)聚類效果的比較，選取相似度大于0.32的關(guān)聯(lián)比較合適。

通過分析并挖掘TAG11’中的標(biāo)簽詞，群體1中企業(yè)微博粉絲的行為特征表現(xiàn)在兩個(gè)方面（如圖6），一個(gè)是線上活動(dòng)，圍繞著“上網(wǎng)”有音樂、游戲、QQ、唱歌、營(yíng)銷、電影、數(shù)碼、論壇、微博等；另一個(gè)是線下活動(dòng)，包括旅游、粉絲、蘋果、動(dòng)漫、美劇、書、美食等。對(duì)于該群體，企業(yè)微博博主可以依據(jù)這些標(biāo)簽，個(gè)性化地給這類粉絲推薦他們感興趣的產(chǎn)品。比如在介紹旅游時(shí)，可以偏向推薦一些旅游書籍和當(dāng)?shù)孛朗场?/p>

群體2粉絲的標(biāo)簽信息聚類為5類，可視化結(jié)果如圖7所示：第1類主要粉絲身份的定位，包括“文藝青年”、“明星”、“新國(guó)貨”以及各類明星粉絲等；第2類是網(wǎng)購(gòu)、營(yíng)銷類；第3類偏好電視劇、運(yùn)動(dòng)、美食和游戲等休閑活動(dòng)；第4類傾向于靜態(tài)的比較宅的活動(dòng)，有“睡覺”、“上網(wǎng)”、“QQ”、“學(xué)習(xí)”、“音樂”、“發(fā)呆”等；第5類是與文字有關(guān)的，有“書”、“小說”、“情感語(yǔ)錄”等。根據(jù)這五類標(biāo)簽信息，微博博主對(duì)群體2的粉絲群提供個(gè)性化的信息如明星、游戲、網(wǎng)購(gòu)、美食、音樂和文字類等，投其所好，為粉絲提供實(shí)質(zhì)的有價(jià)值的信息。

同樣，群體3的粉絲標(biāo)簽信息聚類為4類，可視化結(jié)果如圖8所示：第1類是網(wǎng)絡(luò)休閑娛樂，包括微博、電影、游戲、數(shù)碼等；第2類是健康養(yǎng)生；第3類與企業(yè)相關(guān)，涉及到理財(cái)、互聯(lián)網(wǎng)、電子商務(wù)等；第4類是生活類，有旅游、美食、運(yùn)動(dòng)、粉絲。

3 結(jié)論與展望

3.1 研究結(jié)論

通過數(shù)據(jù)分析和文本挖掘，本文從企業(yè)微博粉絲人口分布特征和行為特征兩方面對(duì)企業(yè)微博粉絲進(jìn)行了研究分析。

圖6 群體1粉絲的標(biāo)簽聚類可視化圖

圖7 群體2粉絲的標(biāo)簽聚類可視化圖

圖8 群體3粉絲的標(biāo)簽聚類可視化圖

在人口分布特征方面，主要對(duì)天貓微博粉絲的年齡、地域和行業(yè)進(jìn)行研究。企業(yè)微博粉絲主要以“80后”、“90后”居多，因此天貓微博粉絲可以定位為“年輕群體”。粉絲中以“80后”為主力軍，“90后”則是潛在的消費(fèi)群體。天貓微博粉絲在三線城市中所占比例最大，其次是二線城市和四線城市，天貓注冊(cè)會(huì)員中以二三線城市為主，與微博粉絲地域分布大體保持一致。此外，因?yàn)榉劢z中四線城市所占比例也較大，天貓官方微博可以加強(qiáng)對(duì)四線城市的營(yíng)銷力度。而關(guān)注天貓微博的粉絲從事的行業(yè)以技術(shù)類、學(xué)生和服務(wù)類為主流。企業(yè)可以依據(jù)粉絲不同的的特征，制定個(gè)性化的營(yíng)銷策略。

在行為特征方面，主要是依據(jù)對(duì)粉絲標(biāo)簽信息的挖掘進(jìn)而分析粉絲群體的特征。按不同的社會(huì)信息將企業(yè)微博粉絲分成三個(gè)群體，發(fā)現(xiàn)不同社會(huì)信息的群體表現(xiàn)出不同的偏好特征。群體1的標(biāo)簽信息，展現(xiàn)了其行為特征比較明顯地分為線上活動(dòng)和線下活動(dòng)；群體2的標(biāo)簽信息主要體現(xiàn)其娛樂休閑的行為特征，按興趣愛好分為追星、網(wǎng)購(gòu)、戶外運(yùn)動(dòng)、室內(nèi)活動(dòng)和文學(xué)類；群體3除了休閑娛樂，偏向于健康養(yǎng)生和企業(yè)理財(cái)。企業(yè)微博博主可以根據(jù)不同群體的偏好，有針對(duì)性地改進(jìn)微博內(nèi)容，使其更貼近潛在消費(fèi)者的興趣，提供個(gè)性化服務(wù)，建立自身用戶群體，獲取更多的市場(chǎng)份額。

3.2 研究展望

通過對(duì)企業(yè)微博粉絲群體的特征挖掘，本文從以下兩個(gè)方面對(duì)其進(jìn)行展望：

（1）挖掘粉絲群體的興趣。根據(jù)用戶社會(huì)信息將其進(jìn)行分類，將具有相同背景的人劃分為一個(gè)群體，進(jìn)而對(duì)該群體進(jìn)行特征挖掘。不同的消費(fèi)群體具有不同的消費(fèi)需求，只有投其所好，提供個(gè)性化的產(chǎn)品和服務(wù)，才能精準(zhǔn)地做到市場(chǎng)地位和滿足市場(chǎng)需求，另一方面?zhèn)€性化推薦也可以起到輔助用戶決策。利用標(biāo)簽的聚類結(jié)果，企業(yè)可以智能向粉絲推薦用戶感興趣的標(biāo)簽，挖掘出粉絲最可能喜歡的商品。

（2）倡導(dǎo)官方微博粉絲群體營(yíng)銷理念。因?yàn)椴煌后w存在不同的興趣點(diǎn)。如果只是盲目地推送熱門話題，某個(gè)群體的粉絲可能對(duì)這個(gè)話題并不感興趣，長(zhǎng)此以往，會(huì)造成粉絲流失，這對(duì)企業(yè)而言是巨大的損失。企業(yè)可以根據(jù)不同的粉絲群體，依據(jù)其興趣點(diǎn)，定制不同的策略，實(shí)現(xiàn)精準(zhǔn)的個(gè)性化營(yíng)銷。

[1]百度百科.企業(yè)微博[EB／OL].[2014-05-12].http：／／baike.baidu.com／view／4611266.htm？fr＝aladdin

[2]DCCl互聯(lián)網(wǎng)數(shù)據(jù)中心.2012中國(guó)微博藍(lán)皮書[EB／OL].[2014-05-12].http：／／www.dcci.com.cn／media／download／529592d3f496e761b42c2462925f88ec505d.pdf

[3]史光啟.微博營(yíng)銷的十大技巧[J].銷售與市場(chǎng)（評(píng)論版），2011（3）：95-97

[4]林錦國(guó)，張若冉.企業(yè)官方微博特征及營(yíng)銷行為研究[J].情報(bào)雜志，2013（9）：34-38，56

[5]胡婷婷.企業(yè)微博消費(fèi)特征淺析[J].新聞愛好者，2013（4）：64-66

[6]王薈博，戴志敏.微博廣告信息與價(jià)值維度對(duì)顧客購(gòu)買意愿的影響[J].企業(yè)經(jīng)濟(jì)，2013（11）：94-97

[7]郝曉玲，陳軼杰.企業(yè)微博影響力指數(shù)研究[J].情報(bào)雜志，2013（7）：64-68

[8]王麗敏，張汝霞.淺談企業(yè)微博公關(guān)現(xiàn)狀及發(fā)展策略[J].商情，2013（1）：187-254

[9]張娜娜.企業(yè)微博內(nèi)容和行為特征實(shí)證分析——以“新浪微博”為例[J].中國(guó)電子商務(wù)，2012（3）：43-44

[10]黃曉斌，劉薇，等.微博客的特點(diǎn)及其在企業(yè)競(jìng)爭(zhēng)情報(bào)中的應(yīng)用[J].情報(bào)理論與實(shí)踐，2012（5）：1-4

[11]Müller J，Stocker A.Enterprise microblogging for advanced knowledge sharing：The references＠BT case study[J].Journal of Universal Computer Science，2011，17（4）：532-547

[12]Barnes S，B?hringer M.Modeling use continuance behavior in microblogging services：The case of twitter[J].Journal of Computer lnformation Systems，2011，51（4）：1-10

[13]Sch?ndienst V，Krasnova H，Günther O，et al.Micro-Blogging adoption in the enterprise：An empirical analysis[C]／／Proceedings of 10th lnternational Conference on Wirtschaftsinformatik.Zurich，Switzerland，2011：931-940

[14]DinK.如意淘＆獵云網(wǎng)：數(shù)據(jù)解讀各大B2C電子商務(wù)用戶數(shù)據(jù)[EB／OL].中國(guó)互聯(lián)網(wǎng)數(shù)據(jù)資訊中心[2014-05-12].http：／／www.199it.com／archives／109189.html

[15]蘇秦.淘寶及天貓網(wǎng)購(gòu)消費(fèi)者特征及行為分析[EB／OL].[2014-05-12].http：／／classroom.eguan.cn／dingwei＿147761.html

[16]陳春明，徐義峰.協(xié)同過濾算法中一種改進(jìn)的相似性計(jì)算方法[J].桂林電子科技大學(xué)學(xué)報(bào)，2009（3）：234-237

[17]Chuang S L，Chien L F.Taxonomy generation for text segments：A practical web-based approach[J].ACM Transactions on lnformation Systems，2005，23（4）：363-369

[18]Chuang S L，Chien L F.Towards automatic generation of query taxonomy：A hierarchical query clustering approach[C]／／Proceedings of the 2002lEEE lnternational Conference on DataMining，Maebashi City.Japan：lEEE Computer Society Press，2002：75-82

[19]曹恬，周麗，張國(guó)煊.一種基于詞共現(xiàn)的文本相似度計(jì)算 [J].計(jì)算機(jī)工程與科學(xué)，2007（3）：52-53，73

[20]阮一峰.TF-lDF與余弦相似性的應(yīng)用（一）：自動(dòng)提取關(guān)鍵詞[OL].[2014-05-10].http：／／www.ruanyifeng.com／blog／2013／03／tf-idf.html

[21]劉軍.整體網(wǎng)分析講義-UClNET軟件應(yīng)用 （第二屆社會(huì)網(wǎng)與關(guān)系管理研討會(huì)資料）[C]／／哈爾濱：哈爾濱工程大學(xué)社會(huì)學(xué)系，2007：87-131

[22]沈浩.第十二周：社會(huì)網(wǎng)絡(luò)分析分析——每周一講多變量分析[OL].[2014-05-10].http：／／shenhaolaoshi.blog.sohu.com／148753587.html